#vlm リポジトリ
#vlmのタグが付いた、GitHub上の89件のアクティブなオープンソースリポジトリをご覧ください。合計スター数は457,898個で、プロジェクトあたりの平均は5,144個です。このトピックをリードしているのは、169,339個のスターを獲得しているhuggingface/transformersです。
リポジトリ合計89件
🤗 Transformers: テキスト、ビジョン、オーディオ、多モーダルモデルにおける最先端の機械学習モデル向けのモデル定義フレームワーク。推論とトレーニングの両方に使用。
あらゆる動画をショットごとにリバースエンジニアリング。実写、AI生成、コード制作のどれなのかを見極め、再現方法まで解説します。分析結果はオープンなVIDEO.md形式で出力。
https://arxiv.org/abs/2606.28344. ウェブパースの終焉。スケーラブルなピクセルネイティブ検索の始まり。リンク: https://pixelrag.ai/
最先端のコンピュータービジョンモデルと技術に関するチュートリアルのコレクション。ResNetのような基本的なアーキテクチャから、RF-DETR、YOLO11、SAM 3、Qwen3-VLのような最先端モデルまで、すべてを探求できます。
StarVectorは、ベクトル化をコード生成タスクに変換するSVG生成のための基盤モデルです。ビジョン言語モデリングアーキテクチャを使用して、StarVectorは視覚的およびテキストの両方の入力を処理し、驚くべき精度で高品質のSVGコードを生成します。
[CVPR 2026] PromptEnhancer は、プロンプトを書き直すツールで、プロンプトをより明確で構造化されたバージョンに洗練し、画像生成を向上させます。
線形アテンションに基づく大規模言語モデルおよびビジョン・言語モデルであるMiniMax-Text-01およびMiniMax-VL-01の公式リポジトリ
[NeurIPS 2024] OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
オープンソースAIカメラスキル・プラットフォーム、AI NVR&CCTV監視。Qwen、DeepSeek、SmolVLM、LLaVA、YOLO26を使用したローカルVLMビデオ分析。LLM駆動のエージェンシーセキュリティカメラエージェント — Telegram、Discord、あるいはSlackを通じてあなたの家を監視し、理解し、記憶し、守ります。プラグイン可能なAIスキル。OpenAI、Google、AnthropicまたはローカルAI。Mac MiniとAI PCで動作します。
ローカルのテキストや画像を整理してプライバシーを確保するAI搭載ファイル管理ツール。Llama3.2 3BおよびLlava v1.6モデルとNexa SDKを使用し、ファイルを直感的にスキャン、再構築、整理して、迅速でシームレスなアクセスと簡単な取得を実現します。
Google ResearchのPaperBananaのオープンソース実装および拡張で、学術的図表・図解・研究ビジュアルを自動化し、スライド生成などの新たな領域へ拡張しています。
Cradleフレームワークは、一般コンピュータ制御(GCC)の最初の試みです。Cradleは、最小限の要件を備えた標準化された一般的な環境で、強力な推論能力、自己改善、スキルキュレーションを可能にすることで、エージェントがあらゆるコンピュータタスクを習得できるようにサポートします。
ComfyUIのLLMエージェントフレームワークには、MCPサーバー、Omost、GPT-sovits、ChatTTS、GOT-OCR2.0、FLUXプロンプトノードが含まれており、Feishu、discordにアクセスでき、o1、ollama、gemini、grok、qwen、GLM、deepseek、kimi、doubaoのようなopenai / aisuiteインターフェイスを持つすべてのLLMに適応します。llama-3.3 Janus-Pro、Linkage GraphRAGなどのローカルLLM、VLM、ggufに適応しました。
ChatGPT Plus/Team/Pro 購読プロトコル端到端リプレイツールキット · hCaptcha ビジュアルソルバー · 詐欺防止メカニズムの実証研究 / ChatGPT Plus/Team/Pro 購読のための端到端プロトコルリプレイツールキット、ゼロから構築した hCaptcha ソルバーと実証的な詐欺防止研究
Sophon、Rockchip RKNN、x86に対応した、動画分析およびデバイス上のVLM向け本番対応C++エッジAIエンジン。ビジュアルオーケストレーション、リアルタイムOSD、イベント処理、再現可能なベンチマークを搭載。
Awesome-Jailbreak-on-LLMsは、LLMにおける最先端の斬新でエキサイティングな脱獄手法のコレクションです。論文、コード、データセット、評価、分析が含まれています。
NVIDIA AI ビデオ検索・要約(VSS)ブループリントは、リアルタイム検証アラート、ビジュアルQ&A、自動レポート機能を備えたビデオ分析エージェントを構築するためのGPUアクセラレーション対応リファレンスアーキテクチャです。VSSブループリントは、NVIDIA Cosmosなどの視覚言語モデル(VLM)、NVIDIA NemotronなどのLLM、RAG、およびNVIDIA NIMを使用します。
OpenGUIは、スマートフォン向けAIのためのAndroid GUIエージェントフレームワークであり、GUIを通じて実際のモバイルアプリを認識、計画、操作することができます。
PyTorch の ExecuTorch ランタイムを基盤とする、React Native 向けの高性能かつプライバシー重視のオンデバイス AI 推論ライブラリ
🚀🚀🚀 いくつかの素晴らしい公開YOLOオブジェクト検出シリーズプロジェクトと関連するオブジェクト検出データセットのコレクション。
200種類以上の視覚言語モデル(VLM/MLLM)アーキテクチャを厳選したビジュアルカタログ。論文、図解、学習レシピ、データセットに加え、マルチモーダルAIエージェントのリリース年表を掲載。
JoyCaptionは、コミュニティが拡散モデルのトレーニングに使用できるように、ゼロから構築された無料、オープン、検閲なしのモデルであり、画像キャプション作成用のビジュアル言語モデル(VLM)です。
よくある質問
GitHubで最も人気のある#vlmリポジトリは何ですか?
GitHubで最も上位にランクインしているオープンソースの#vlmプロジェクトは、169,339個のスターを獲得しているhuggingface/transformersです。🤗 Transformers: テキスト、ビジョン、オーディオ、多モーダルモデルにおける最先端の機械学習モデル向けのモデル定義フレームワーク。推論とトレーニングの両方に使用。
#vlmリポジトリで最もよく使われているプログラミング言語は何ですか?
GitHubで上位にランクインしている#vlmプロジェクトでは、Python, Jupyter Notebook, TypeScript, Goが最も一般的なプログラミング言語です。
#vlmリポジトリのランキングはどのように算出されていますか?
#vlmのタグが付いた89件のアクティブなオープンソースリポジトリ(スター500個以上)を追跡しています。合計スター数は457,898個で、リポジトリあたりの平均は5,144個です。ランキングはGitHub APIからのデータに基づいて毎日更新されます。